【技术实现步骤摘要】
本专利技术主要针对百微米级至毫米级微孔和微沟槽的参数进行测量，融合了基于深度学习的区域分割和基于离群点剔除的几何要素拟合，属于精密仪器制造和精密测试计量。
技术介绍
1、百微米级至毫米级阵列式微结构，在高端装备制造领域有着广泛的应用及广阔的发展前景。微孔和微沟槽在航空航天领域应用尤其广泛，尤其是微结构的尺寸以及几何特性对器件性能有着重要影响；除此之外，超精密测量技术的发展也制约着精密超精密加工技术的发展。针对这类微结构，视觉测量方法被广泛应用，主要步骤就是先进行区域分割再进行边缘提取，最后进行几何参数的拟合与计算。
2、其中，图像分割是较为关键的一步。最早发展的图像分割算法主要是基于图像的底层特征，这些特征有轮廓、边缘、颜色、纹理和形状等，主要代表算法是基于阈值的图像分割和基于区域的图像分割。上述方法主要依据图像的像素进行分割，也可以利用图像的特征向量，常用的方法有基于聚类算法的图像分割和基于分类器的图像分割。当已知图像的先验知识时，可以根据已知或假设的目标形状，使用模板匹配、形变模型等，将图像划分为符合形状先验的区域，这类方法称之为基于形状先验的方法。除此之外，随着各学科的发展，出现了基于小波变换的图像分割算法、基于图论的图像分割算法、基于能量泛函的分割方法。但上述传统方法无法同时兼顾图像的底层特征和语义信息，容易将图片中底层特征与目标接近的区域误分割。同时，在加工过程中，刀具会在工件面上留下划痕，在高倍放大镜头下呈现参差不齐的形貌，直接拟合会导致测量结果不准。针对上述问题，本专利技术提供了一种基于unet网络的微
技术实现思路
1、本专利技术的目的在于提供一种基于unet网络的微结构参数测量方法，解决了高清镜头下背景区域存在大量突出的纹理和划痕，导致分割不准的问题，以及由于加工过程造成的形貌缺陷，导致提取的边缘不是规范的几何图形的问题。
2、为实现上述效果，本专利技术提供的技术方案如下：首先，由于待测件的图像背景区域存在大量突出的纹理和划痕，需要先进行目标区域分割，本专利技术采用了基于unet网络的区域分割方法，采集数据集并通过水平翻转和垂直翻转丰富微结构姿态；通过hsv色域随机变化，增强模型对不同光照环境的鲁棒性，对增强以后的数据集训练从而得到泛化能力更强的分割模型。分割得到目标区域之后进行边缘点提取，针对微孔结构的离群点剔除方式为：对边缘序列点进行连线，从而削去凸起的部分，最后取连通域最大的区域作为修复过后的特征区域；针对微沟槽结构的离群点剔除方式为：首先利用ransac算法进行多次迭代剔除，筛选出满足“正确解”的全部内点，再将符合最佳拟合的数据作为最小二乘法的输入进行拟合，可以更好地估计模型参数。
3、基于unet网络的微结构参数测量方法包括如下步骤：
4、(1)给相机加装环形灯，对数据集进行采集；
5、(2)针对采集到的数据集，进行数据增强，主要通过水平翻转和垂直翻转丰富微孔和微沟槽的姿态；通过hsv色域随机变化，增强模型对不同光照环境的鲁棒性。
6、(3)对数据集进行训练集和测试集的划分，用语义分割标注软件labelme对图像进行标注，划分出背景和目标，其中目标分为circle和rectangle两类。
7、(4)搭建unet网络模型，对网络进行调参，确定损失函数，优化器，学习率等模型中的参数。
8、(5)在配置的软硬件环境中进行网络模型的训练。
9、(6)计算评价指标，并对指标计算结果可视化从而评估模型。
10、(7)使用训练好的模型对待测对象进行区域分割，区分出来背景和目标区域之后，进行边缘点提取。
11、(8)如果待测对象是微孔，对边缘序列点进行连线，从而削去凸起的部分，最后取连通域最大的区域作为修复过后的特征区域，修复之后使用最小二乘法进行几何参数的计算；如果待测对象的微沟槽，首先利用ransac算法进行多次迭代剔除，筛选出满足“正确解”的全部内点，再将符合最佳拟合的数据作为最小二乘法的输入进行拟合，可以更好地估计模型参数。
12、(9)根据相机的标定结果，计算实际的尺寸参数。
13、与现有技术相比，本专利技术提出了一种基于unet网络的微结构参数测量方法，具备如下有益效果：
14、(1)基于unet网络的区域分割方法充分利用了图像的底层信息和语义信息，可以克服待测工件周围划痕和背景噪声的影响，并且不会受到非目标要素的干扰，可以将目标要素完整地进行分割。添加了两种数据增强的方式之后，使得训练的模型具有更好的鲁棒性。
15、(2)针对椭圆和直线的拟合分别设计了离群点剔除的方式，剔除之后使用最小二乘法进行拟合得到视觉测量参数，可以克服加工缺陷导致的拟合不准的问题，提高测量精度。
16、本专利技术提出的方法适合于百微米级至毫米级微孔和微沟槽的非接触式测量，与传统方法相比，具有较高的鲁棒性和测量精度，可以应用在航空航天领域和精密制造领域。
本文档来自技高网...【技术保护点】
1.一种基于UNet网络的微结构参数测量方法，包括以下步骤：
2.根据权利要求1所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(2)中，数据增强包括两种方式，通过水平翻转和垂直翻转丰富微孔和微沟槽的姿态；通过HSV色域随机变化，增强模型对不同光照环境的鲁棒性，具体而言，通过在HSV色彩空间中，对H、S、V三个通道增加随机扰动，来进行色调变换。
3.根据权利要求1所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(4)中，训练网络时的参数设置如下：批处理数设置为2，初始学习率设置为1×10-6，随机梯度下降算法选择带动量(momentum)的梯度下降，动量参数设置为0.999，采用梯度裁剪的方式防止梯度爆炸，将范数指定为1，设置epoch数为50。关于分割效果指标，采用Dice系数进行评价，Dice系数表达式如式(1)所示：
4.根据权利要求1所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(5)中，边缘提取具体为直接根据分割以后的二值图进行边界点的像素值坐标提取。
5.根据
6.根据权利要求5所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(6)中，针对微孔，首先对需要修复的特征图获取特征的有序边缘序列，然后对边缘序列进行遍历，令遍历边缘点为A(xa,ya)，其相关点B(xb,yb)为序号在其后面的边缘点，根据式(2)和式(3)进行边缘修复。
7.根据权利要求5所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(6)中，针对微沟槽，首先利用RANSAC算法进行多次迭代剔除，迭代的公式如式(4)所示，筛选出满足“正确解”的全部内点。
8.根据权利要求1所述的一种基于UNet网络的微结构参数测量方法，其特征在于：所述步骤(7)中，相机标定使用张正友标定法进行标定。
...【技术特征摘要】
1.一种基于unet网络的微结构参数测量方法，包括以下步骤：
2.根据权利要求1所述的一种基于unet网络的微结构参数测量方法，其特征在于：所述步骤(2)中，数据增强包括两种方式，通过水平翻转和垂直翻转丰富微孔和微沟槽的姿态；通过hsv色域随机变化，增强模型对不同光照环境的鲁棒性，具体而言，通过在hsv色彩空间中，对h、s、v三个通道增加随机扰动，来进行色调变换。
3.根据权利要求1所述的一种基于unet网络的微结构参数测量方法，其特征在于：所述步骤(4)中，训练网络时的参数设置如下：批处理数设置为2，初始学习率设置为1×10-6，随机梯度下降算法选择带动量(momentum)的梯度下降，动量参数设置为0.999，采用梯度裁剪的方式防止梯度爆炸，将范数指定为1，设置epoch数为50。关于分割效果指标，采用dice系数进行评价，dice系数表达式如式(1)所示：
4.根据权利要求1所述的一种基于unet网络的微结构参数测量方法，其特征在于：所述步骤(5)中，边缘提取具体为直接根据分割以后的二值图进行边界点的像素值坐标提取。
5.根据权利要求1所述...
【专利技术属性】
技术研发人员：崔继文，王丽，张贺，孙成会，陈昱铭，谭久彬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。